מהימנות: אלפא של קרונבך וציון סולם

מחשבון

טעינת הנתונים

מדביקים עמודות ישירות מהגיליון (כולל שורת הכותרות) – מסמנים באקסל, מעתיקים, ומדביקים כאן:

בחירת פריטי הסולם והגדרת הציון

מדריך

למה בודקים מהימנות?

שאלון שמודד מבנה אחד – שביעות רצון, מחויבות, חרדה – עושה זאת בכמה פריטים, ומהם מחושב ציון אחד. לפני שמשתמשים בציון הזה בניתוח צריך לדעת שהפריטים אכן "מסכימים זה עם זה": שמי שגבוה בסולם כולו גבוה גם בכל קבוצת פריטים שנבחרת ממנו באקראי (Field, 2024, Section 18.9.1). זו העקיבות הפנימית (internal consistency), אחד מסוגי המהימנות שמוסברים בעמוד מהימנות ותוקף: המושגים; כשמכשיר המדידה הוא בני אדם שמקודדים – מודדים במקום זאת מהימנות בין מקודדים.

בניסוח פורמלי: הציון הנצפה של כל נבדק הוא ציון אמיתי ועוד שגיאת מדידה, X = T + E, והמהימנות היא חלק השונות בציונים הנצפים שמקורו בשונות הציונים האמיתיים (Field, 2024, Equations 18.9-18.12) – או, בניסוח שקול, ריבוע המתאם בין הציונים האמיתיים לנצפים. Field מדגיש נקודה שקל לשכוח: מהימנות אינה תכונה של השאלון אלא של השאלון, האנשים שענו עליו וההקשר – סולם שנמצא מהימן במדגם אחד אינו בהכרח מהימן במדגם אחר. לכן Pallant (2020, פרק 9) דורשת לבדוק את המהימנות במדגם שלכם, גם כשהסולם מוכר ומתוקף, ולדווח אותה בפרק השיטה.

מהי אלפא של קרונבך?

את שונות הציונים האמיתיים אי אפשר למדוד ישירות. הפתרון המעשי הוותיק הוא מהימנות של חצאים (split-half): מפצלים את הפריטים לשתי קבוצות אקראיות, מחשבים ציון לכל חצי, והמתאם בין החצאים הוא אומדן למהימנות – חצי אחד משמש מבחן מקביל לחצי השני. הבעיה: יש הרבה דרכים לפצל, וכל אחת נותנת מספר אחר. Cronbach (1951, as cited in Field, 2024, Section 18.9.2) הציע מדד שהוא, בקירוב, הממוצע של כל הפיצולים האפשריים – וזו α. הנוסחה שהעמוד מחשב:

α = k/(k − 1) · (1 − Σs_i²/s_T²)

k – מספר הפריטים; s_i² – שונות כל פריט; s_T² – שונות סכום הפריטים. הרעיון: אם הפריטים מודדים אותו דבר, שונות הסכום גדולה בהרבה מסכום השונויות (כי הפריטים משתנים יחד, והשונויות המשותפות מצטברות); אם הם אינם קשורים, שונות הסכום שווה בערך לסכום השונויות ו-α קרובה לאפס. Field (סעיף 18.9.2) מציג את אותה נוסחה בלשון מטריצת השונויות המשותפות: ריבוע מספר הפריטים כפול השונות המשותפת הממוצעת, חלקי סכום כל האיברים במטריצה. α על פריטים מתוקננים (העמודה השנייה בלוח 1; "Cronbach's Alpha Based on Standardized Items" ב-SPSS) היא אותה נוסחה על מטריצת המתאמים במקום השונויות המשותפות: k·r̄/(1 + (k − 1)·r̄), כש-r̄ הוא המתאם הבין-פריטי הממוצע. Field: α הרגילה מתאימה כשמסכמים או ממצעים את הפריטים כפי שהם (המקרה הרגיל, וגם מה שהעמוד עושה בציון); המתוקננת – רק כשמתקננים את הפריטים לפני הסיכום. Raykov (2024) מחדד: המתוקננת יכולה להיות גבוהה או נמוכה בהרבה מהמהימנות של הציון שבפועל מנתחים, ולכן להימנע מדיווחה ומפירושה אלא אם יש סיבה חזקה לתקנן מלכתחילה – בלוח 1 היא מוצגת כהשוואה ל-SPSS, ומדווחים את α הרגילה.

איך קוראים את הפלט?

לוח 1 – α. Field (2024, סעיף 18.11) מחפש ערכים "בערך .7-.8"; Pallant (2020, פרק 9) כותבת שהסולם צריך להיות מעל .7 (DeVellis, 2012), ושמעל .8 עדיף. שני המחברים מוסיפים באותה נשימה שספים כלליים הם רעיון גרוע, כי α תלויה במספר הפריטים (סעיף ההנחות להלן) – ולכן הלוח מציג לצדה גם את המתאם הבין-פריטי הממוצע ואת טווחו. Pallant: לסולמות קצרים (פחות מ-10 פריטים) נהוג לקבל α נמוכה למדי, ואז ראוי לדווח את המתאם הממוצע, שהטווח האופטימלי שלו הוא .2-.4 (Briggs & Cheek, 1986, as cited in Pallant, 2020). N בלוח הוא מספר הנבדקים שענו על כל הפריטים – מחיקה רשימתית, כמו ב-SPSS – והעמודה "הושמטו" אומרת כמה נבדקים לא נכנסו לחישוב המהימנות (הם עדיין יכולים לקבל ציון סולם, ראו להלן).

לוח 2 – רווחי סמך ל-α. α שבלוח 1 היא אומדן ממדגם, ו-Raykov (2024) ממליץ לדווח לצדו רווח סמך. הלוח נותן אותו בשלוש רמות (95%, 99%, 99.9%) ובשלוש שיטות: ADF (asymptotically distribution-free; Maydeu-Olivares, Coffman & Hartmann, 2007) – שיטת דלתא שבה שונות השונויות המשותפות נאמדת מהמומנטים הרביעיים של הנתונים עצמם, בלי להניח נורמליות או מודל – זו המשפחה ש-Raykov (2024) מכנה "חופשית ממודל וכמעט חופשית מהנחות" (Raykov & Marcoulides, 2015, as cited in Raykov) והיא ברירת המחדל לדיווח בעמוד (השורה המודגשת, 95%); תאוריה נורמלית (van Zyl, Neudecker & Nel, 2000, as cited in Maydeu-Olivares et al.) – אותה שיטת דלתא בהנחת נורמליות רב-ממדית – ו-F של Feldt (1965, as cited in Maydeu-Olivares et al.) – רווח "מדויק" בהנחת פריטים מקבילים ונורמליות, שהוא גם מה ש-psych::alpha מדפיס. Maydeu-Olivares ואחרים (2007) מצאו בסימולציות: בפריטים קרובים לנורמליות שלוש השיטות כמעט זהות וגם בדגימות קטנות הרווח הנורמלי מכסה היטב; כשהאסימטריה או הקורטוזיס עולים על 1 הרווחים הנורמליים צרים מדי, ו-ADF עדיף – מ-N = 100 ומעלה. לכן הערת הלוח משווה את שתי טעויות התקן: כשהן נבדלות ביותר מ-20% – הנתונים רחוקים מנורמליות, והרווח הנורמלי (ועמו Feldt) אינו אמין. הגבולות חייבים להיקרא יחד עם הסף: רווח שכולו מעל .7 מרגיע; רווח שחוצה אותו אומר שהמדגם אינו מכריע. גבול עליון מעל 1 (קורה כש-α̂ קרובה ל-1 ברווח סימטרי) מוצג כ-1 ומסומן.

לוח 3 – סטטיסטיקת פריטים. שתי העמודות האחרונות הן שקוראים. מתאם פריט-סולם מתוקן (Corrected Item-Total Correlation) – המתאם בין הפריט לסכום שאר הפריטים (ה"תיקון": הפריט עצמו אינו נכלל בסכום שאיתו הוא מתואם). בסולם מהימן כל הפריטים מתואמים היטב עם הסולם; Field ו-Pallant מציבים את אותו סף – מתחת ל-.3 הפריט מודד משהו אחר מהסולם כולו. α אם הפריט יימחק – מה הייתה α בלי הפריט הזה. בסולם טוב אף פריט אינו משנה את α בהרבה, וכל הערכים בעמודה קרובים ל-α הכללית ומתחתיה; פריט שמחיקתו מעלה את α (רקע צהוב) הוא מועמד להשמטה – אבל Pallant מסייגת: זה שימושי למי שמפתח סולם, ואילו בסולם מתוקף ומוכר מחיקת פריט מונעת השוואה למחקרים אחרים שהשתמשו בו; Field מוסיף שאם מוחקים, מריצים מחדש את ניתוח הגורמים כדי לוודא שהמבנה נשמר; ו-Raykov (2024) מרחיק לכת יותר: כשאלפא נמוכה מהמהימנות האמיתית של הסולם – מצב שכיח – השמטת פריט לפי הסטטיסטי הזה יכולה להוריד גם את המהימנות וגם את התוקף, ולכן הוא ממליץ בדרך כלל לא להשתמש בו כמדריך לשינוי סולם. מוסכמת האתר: העמודה נשארת בפלט, כמו ב-SPSS, כאבחון – ולא כבסיס להשמטה (ההרחבה בעמוד המושגים, סעיף 2). פריט עם מתאם שלילי (רקע אדום) הוא כמעט תמיד פריט הפוך שלא הופך – ראו הסעיף הבא.

לוח 4 – מטריצת המתאמים. Pallant (2020, פרק 9) מתחילה דווקא כאן: כל המתאמים בין הפריטים אמורים להיות חיוביים, כי כולם מודדים אותה תכונה; ערך שלילי מצביע על פריט שלא הופך כראוי, ומופיע במקביל כמתאם פריט-סולם שלילי בלוח 3. ממוצע המתאמים שבלוח 4 הוא המספר שבלוח 1 (Summary Item Statistics ב-SPSS).

פריטים הפוכים

שאלונים רבים כוללים פריטים שמנוסחים בכיוון ההפוך – "ענייני הקהילה אינם מעניינים אותי" בין פריטים שמסכימים איתם כשהמחויבות גבוהה. Field (2024, סעיף 18.9.4) מסביר למה הם שם (הם מכריחים את הנבדק לקרוא, ומפחיתים הטיית תגובה) ולמה הם הורסים את α אם לא מטפלים בהם: השונות המשותפת בין פריט כזה לשאר שלילית, היא מקטינה את ממוצע השונויות המשותפות שבמונה הנוסחה, ו-α יורדת – עד כדי ערך שלילי, שאין לו משמעות. הדוגמה שלו (סעיף 18.11, פלט 18.14 מול 18.15): תת-סולם עם פריט הפוך אחד שלא הופך – α = .537 במקום .707, מתאם פריט-סולם שלילי לאותו פריט, ו"α אם הפריט יימחק" .687. זה הסימן המסגיר, והעמוד מדגיש אותו ברקע אדום ובאזהרה.

ההיפוך פשוט: מהמקסימום של הסולם ועוד 1 מחסרים את הציון – בסולם 1-5, מ-6 (Field, Section 18.9.4): 5 הופך ל-1, 1 ל-5, ו-3 נשאר 3. העמוד משתמש בניסוח הכללי (מינימום + מקסימום) − ערך, שנותן אותו דבר בסולם שמתחיל ב-1 ונכון גם לסולם 0-10 או −3 עד 3; לכן חשוב שטווח התשובות שבתיבה יהיה הטווח האפשרי של הסולם, לא הטווח שנצפה בנתונים. סימון "פריט הפוך" ברשימה הופך את הפריט לפני חישוב המהימנות והציון; אם בקובץ יש גיליון "מקרא" והמילה "הפוך" מופיעה בהערות של הפריט, הסימון נעשה אוטומטית. Pallant (2020, פרק 8) מזכירה לבדוק במדריך הסולם או במאמר המקורי אילו פריטים הפוכים – לא לנחש מהניסוח בלבד.

ציון הסולם

אחרי שהמהימנות נמצאה מספקת, מאחדים את הפריטים לציון אחד לכל נבדק. Pallant (2020, פרק 8) מחשבת סכום, ומציינת שחוקרים רבים מחלקים במספר הפריטים כדי שהציון יחזור לסולם התשובות המקורי (1-5) ויהיה קל יותר לפירוש – זו ברירת המחדל של העמוד, "ממוצע הפריטים". ההבדל המעשי בין השניים הוא בטיפול בחסרים: ב-SPSS סכום פשוט של פריטים נותן ערך חסר לכל נבדק שחסר לו פריט אחד (Pallant, Chapter 8), ואילו ממוצע הפריטים התקפים – MEAN.n בסינטקס של SPSS – משתמש במה שיש. העמוד מחשב את הציון לנבדק רק אם ענה על חלק מספיק מהפריטים (ברירת המחדל 75%: חמישה מתוך שישה), ואת הסכום, כשנבחר, משערך כממוצע כפול מספר הפריטים; מי שלא עבר את הסף מקבל תא ריק. Pallant מבקשת לרשום בספר הקודים את שם המשתנה החדש, מה הוא מייצג, אילו פריטים סוכמו, אילו הופכו ומה הטווח האפשרי – בדיוק מה שהעמוד כותב לשורת המקרא בקובץ המורד.

מוסכמת האתר (עמוד משתנים וסולמות מדידה): פריט דירוג יחיד הוא משתנה סדר; ציון סולם רב-פריטי מטופל כרווח, ולכן נכנס למתאם פירסון, למבחן t ולרגרסיה. ההיסטוגרמה שבפלט מראה אם הציון מתפלג באופן סביר ואם יש רצפה או תקרה.

הנחות ואזהרות

מה α מניחה. Field (2024, סעיף 18.9.3) מפרט: α מניחה שכל הפריטים מודדים את הציון האמיתי באותה מידה – "שקילות טאו מהותית" (essential tau-equivalence), שמבחינה מתמטית שקולה לטעינות שוות של כל הפריטים על גורם אחד. במציאות הטעינות שונות, ואז α מאמידה בחסר את המהימנות – "גבול תחתון". Field מגדיל לומר שמי שמבין בנושא מחשיב את α למדד גרוע, ומפנה למאמרים על חלופות; אבל היא מה שכל כתב-עת מצפה לראות, וזו הסיבה שהעמוד מחשב אותה.

מספר הפריטים. במונה של הנוסחה יושב ריבוע מספר הפריטים, ולכן α עולה ככל שהסולם ארוך – גם בלי שהפריטים יהיו עקיבים יותר. הדוגמה של Cortina (1993, as cited in Field, Section 18.9.3) בתרשים 1: שלושה פריטים עם מתאם ממוצע מכובד של .57 ועשרה פריטים עם מתאם ממוצע של .28 – שניהם α = .80. זו הסיבה שהלוח מציג את המתאם הממוצע ליד α, ושאין טעם בסף אחיד לכל סולם.

α אינה מדד לחד-ממדיות. α גבוהה אינה אומרת שהסולם מודד דבר אחד: Grayson (2004, as cited in Field, Section 18.9.3) הראה ש-α = .8 מתקבלת גם מגורם אחד, גם משני גורמים מתואמים וגם משני גורמים בלתי-מתואמים. Field: אם לשאלון תת-סולמות, מחשבים α לכל תת-סולם בנפרד ולא לכל הפריטים יחד – כפי שהציע Cronbach עצמו. את מבנה הסולם בודקים בניתוח גורמים, לא ב-α.

ספים. Field (סעיף 18.9.4) מביא את Kline (1999): .8 מתאים למבחנים קוגניטיביים, .7 למבחני יכולת, ובמבנים פסיכולוגיים מגוונים אפשר לצפות באופן ריאלי גם לפחות מ-.7; Nunnally (1978) – בשלבי מחקר ראשונים די ב-.5. מסקנתו של Field: אין להשתמש בספים כלליים, אלא לפרש את α בהקשר של איך נמדדה ושל המחקר (Pedhazur & Schmelkin, 1991). ההערה "טובה / מקובלת / מתחת לסף המקובל" שהעמוד מדפיס משתמשת ב-.7 וב-.8 של Pallant, והיא נקודת מוצא לדיון, לא פסק דין.

המדגם. המהימנות תלויה במדגם (Field, Section 18.9.1; Pallant, Chapter 9), ולכן מדווחים אותה למדגם הנוכחי לצד מה שדיווחו מפתחי הסולם. Field מוסיף שגם הרכב המדגם – אנשים מאוכלוסיות שונות באותו מדגם – מטה את α, לפעמים למעלה ולפעמים למטה (Waller, 2008, as cited in Field).

חסרים. המהימנות מחושבת על נבדקים שענו על כל הפריטים (מחיקה רשימתית, כברירת המחדל של SPSS); כשרבים הושמטו, העמוד מזהיר. הציון, לעומת זאת, מחושב לכל מי שעבר את סף הפריטים התקפים – ולכן N של המהימנות ו-N של הציון יכולים להיות שונים באותם נתונים. לשאלה מתי מותר לשערך פריטים חסרים ומתי לא – עמוד ערכים חסרים.

מה העמוד אינו מחשב. מהימנות של חצאים ומקדם מתאם תוך-מחלקתי (ICC) – שתי האפשרויות האחרות בדיאלוג של SPSS (Field, Section 18.10); רווח bootstrap ל-α (Raykov, 2024, מזכיר אותו לצד שיטת הדלתא – שלושת הרווחים שבלוח 2 הם אנליטיים); והחלופות שאליהן Field מפנה (סעיף 18.9.3) לסולמות שאינם עומדים בהנחת השקילות – הן דורשות ניתוח גורמים: המהימנות המרוכבת (ω, Raykov, 2024, Equations 13-15) עם רווח סמך, לצד אלפא, מחושבת בעמוד ניתוח גורמים מאשש (לוח 4). ניתוח גורמים עצמו – ובכלל זה השאלה אם הפריטים באמת יושבים על גורם אחד – נבדק שם (כשהמבנה נקבע מראש) או בעמוד ניתוח גורמים מגשש (כשהמבנה אינו ידוע), לא בעמוד זה.

ואיך עושים זאת ב-SPSS?

לפני הכול – היפוך (Pallant, 2020, Chapter 8): Transform › Recode into Different Variables…, הפריטים ההפוכים ל-Input Variable → Output Variable, שם חדש לכל אחד (Pallant: Rop2 ל-op2), ובכפתור Old and New Values מגדירים 1 ← 5, 2 ← 4, 3 ← 3, 4 ← 2, 5 ← 1 ("לא כל הסולמות בני 5 נקודות – בדקו שהפכתם את כל הערכים האפשריים"). Field (סעיף 18.9.4) עושה זאת בפקודת חישוב אחת, Transform › Compute: 6 − item. הסינטקס שהעמוד מייצר משתמש בדרך של Field, למשתנים חדשים, כדי שהמקור יישמר.

המהימנות (Pallant, Chapter 9; Field, Section 18.10): Analyze › Scale › Reliability Analysis… – הפריטים (ההפוכים בגרסתם ההפוכה!) לתיבה Items; Model: Alpha; שם הסולם ב-Scale label (מוסיף כותרת לפלט); ובכפתור Statistics… – Descriptives for: Item, Scale, Scale if item deleted; Inter-Item: Correlations; Summaries: Correlations. הסינטקס:

RELIABILITY
  /VARIABLES=item1 item2 item3_rev item4 item5_rev item6
  /SCALE('Commitment') ALL
  /MODEL=ALPHA
  /STATISTICS=DESCRIPTIVE SCALE CORR
  /SUMMARY=TOTAL CORR.

קריאת הפלט (Pallant, Chapter 9): Case Processing Summary – Valid ו-Excluded (מחיקה רשימתית) = N ו"הושמטו" בלוח 1; Reliability Statistics – Cronbach's Alpha, Cronbach's Alpha Based on Standardized Items, N of Items = שלוש העמודות הראשונות; Item Statistics – ממוצע וסטיית תקן בלוח 3; Inter-Item Correlation Matrix = לוח 4; Summary Item Statistics – שורת Inter-Item Correlations, עמודות Mean, Minimum, Maximum = המתאם הממוצע וטווחו; Item-Total Statistics – Corrected Item-Total Correlation ו-Cronbach's Alpha if Item Deleted = לוח 3. רווח סמך ל-α (לוח 2) אין בפלט RELIABILITY – בשביל זה R (סעיף R להלן). Pallant בודקת קודם שמספר המקרים ומספר הפריטים נכונים – טעות פשוטה שמסבירה הרבה α מוזרות.

הציון (Pallant, Chapter 8): Transform › Compute Variable… – שם למשתנה החדש, ובביטוי item1 + item2 + Ritem3 + … לסכום, או MEAN.5(item1, item2, …) לממוצע הפריטים התקפים עם דרישה לחמישה פריטים לפחות – זו הפקודה שבסינטקס של העמוד (הכפולה במספר הפריטים כשנבחר סכום). כפתור "הורדת סינטקס SPSS" בפלט מייצר את כל השלבים – טעינה, מילון (אם היה מקרא), היפוך, RELIABILITY, ציון ו-DESCRIPTIVES – על הנתונים ובשמות המשתנים שנטענו.

ואיך עושים זאת ב-R?

חבילת psych מחשבת הכול בפקודה אחת, alpha(): α הרגילה (raw_alpha), המתוקננת (std.alpha), המתאם הממוצע (average_r), מתאם פריט-סולם מתוקן (r.drop) ו-α אם הפריט יימחק (alpha.drop). הסקריפט הורץ כלשונו על קובץ הדוגמה ונתן את ערכי הלוח (בהערות). כלל האתר לעברית ב-R: הקובץ נשמר ב-UTF-8, כל שורת הערה מתחילה במילה עברית, ושמות גיליונות ומשתנים בעברית דורשים סביבת UTF-8 (ב-Windows: R 4.2 ומעלה, או Sys.setlocale('LC_ALL', 'Hebrew')).

# אלפא של קרונבך וציון סולם – פרופסור סטאט. קובץ זה נשמר ב-UTF-8; כל שורת הערה מתחילה במילה עברית
library(readxl)   # קריאת אקסל
library(psych)    # alpha
library(alphaci)  # רווחי סמך ל-α (ADF)

# טעינה: התבנית התקנית – שורה = נבדק, עמודה = משתנה; הגיליון "נתונים"
d <- read_excel("C:/Rdata/DATA_scale_example_heb.xlsx", sheet = "נתונים")
items <- d[, c("מחויבות_1", "מחויבות_2", "מחויבות_3", "מחויבות_4", "מחויבות_5", "מחויבות_6")]

# היפוך הפריטים המנוסחים הפוך: (מינימום + מקסימום) − ערך
items$"מחויבות_3" <- (1 + 5) - items$"מחויבות_3"
items$"מחויבות_5" <- (1 + 5) - items$"מחויבות_5"

# מהימנות: מחיקה רשימתית כמו ב-SPSS (RELIABILITY)
complete <- items[complete.cases(items), ]
a <- alpha(complete)
a$total$raw_alpha       # אלפא של קרונבך = .809
a$total$std.alpha       # אלפא על פריטים מתוקננים = .809
a$total$average_r       # מתאם בין-פריטי ממוצע = .414
nrow(complete)          # N רשימתי = 171
a$item.stats$r.drop     # מתאם פריט-סולם מתוקן: .689 .568 .662 .559 .584 .366
a$alpha.drop$raw_alpha  # אלפא אם הפריט יימחק: .753 .779 .757 .781 .776 .822

# רווחי סמך ל-α (לוח 2 בעמוד): ADF – alphaci; psych – Feldt (F) ו-ase (טעות התקן הנורמלית של Duhachek)
alphaci(complete, type = "adf", conf_level = 0.95)      # ADF 95%: .764 .854 (alphaci: אחוזון t; בעמוד z – הגבולות שונים בספרה השלישית)
alphaci(complete, type = "normal", conf_level = 0.99)   # תאוריה נורמלית 99%: .750 .868
a$feldt                 # F של Feldt 95%: .761 .850
a$total$ase             # טעות התקן הנורמלית = .0225; גבולות z: .809 ± 1.96·.0225 = .765 .853

# ציון הסולם: ממוצע הפריטים התקפים, רק לנבדקים עם 75% פריטים תקפים לפחות
valid <- rowSums(!is.na(items))
score <- ifelse(valid / ncol(items) >= 0.75, rowMeans(items, na.rm = TRUE), NA)
c(n = sum(!is.na(score)), mean = mean(score, na.rm = TRUE), sd = sd(score, na.rm = TRUE))   # 197, 3.199, 0.742

רווחי הסמך: חבילת alphaci (גרסה 1.0.1) מחשבת את אותן טעויות תקן כמו העמוד – ADF ונורמלית – אבל בונה את הגבולות עם אחוזון t(N − 1) ומחלקת ב-N − 1, ולכן הם רחבים מעט יותר (בדוגמה: .7641-.8542 מול .7644-.8539 בעמוד); העמוד הולך אחרי Maydeu-Olivares ואחרים (2007) – אחוזון z, ונוסחת van Zyl עם N – כמו ase של psych ("גם וגם": שתי המוסכמות לגיטימיות, ההבדל בספרה השלישית). alpha() מחשבת גם מדדים נוספים שאינם בעמוד; psych יודעת להפוך פריטים בעצמה (keys), אך ההיפוך המפורש שלמעלה שקוף יותר ומתועד. ממוצע הציון ב-R שונה מזה שבלוח בספרה החמישית, כי העמוד מעגל כל ציון לארבע ספרות לפני שהוא נכתב לקובץ.

דיווח התוצאות

Pallant (2020, פרק 9): המהימנות מדווחת בפרק השיטה, תחת "כלי המחקר" – אחרי תיאור הסולם (מספר הפריטים, סולם התשובות, היסטוריית השימוש) מביאים את המהימנות שדיווחו מפתחי הסולם וחוקרים אחרים, ואז משפט על המדגם הנוכחי; הדוגמה שלה: "לפי Pavot ואחרים (1991) לסולם שביעות הרצון מהחיים עקיבות פנימית טובה, α = .85; במחקר הנוכחי α = .89". Field (סעיף 18.12) מדווח בגוף הטקסט עם הסימן α, ומזכיר שלפי APA משמיטים את האפס לפני הנקודה כי α אינה יכולה לעלות על 1 (APA, 2020, Section 6.36) – כך הלוחות ומשפטי הדיווח שבעמוד. מה עוד כדאי שיהיה במשפט: מספר הפריטים, סולם התשובות, אילו פריטים הופכו, N שעליו חושבה α, רווח הסמך 95% לצדה בתבנית של APA (סעיף 6.43) – α = .81, 95% CI [.76, .85] – כפי ש-Raykov (2024) ממליץ (מוסכמת האתר: הרווח המדווח הוא ADF, לוח 2), ולסולם קצר גם המתאם הממוצע (Pallant). את ציון הסולם מתארים באותו מקום – איך חושב (ממוצע/סכום, סף החסרים) ומה הטווח האפשרי – והמדדים התיאוריים שלו הולכים לפרק התוצאות.

טעויות נפוצות

לחשב α בלי להפוך את הפריטים ההפוכים. Field (סעיף 18.11): α צונחת, פריט אחד מקבל מתאם פריט-סולם שלילי, ו"α אם הפריט יימחק" קופצת. אם הפלט נראה כך – לא למחוק את הפריט אלא להפוך אותו.

להפוך עם טווח שגוי. (מינימום + מקסימום) − ערך עם מקסימום 5 בסולם של 7 נקודות נותן ערכים שליליים וסולם מעוות. הטווח הוא הטווח האפשרי לפי השאלון, גם אם אף אחד לא סימן 7.

לחשב α אחת לשאלון שלם עם תת-סולמות. Field (סעיף 18.9.3): α לכל תת-סולם בנפרד; α של "הכול יחד" תהיה גבוהה בגלל מספר הפריטים ולא תאמר דבר על אף תת-סולם.

לצוד α גבוהה במחיקת פריטים. העמודה "α אם הפריט יימחק" מזמינה למחוק כל פריט שמעלה את α במאית. Pallant: בסולם מתוקף זה מונע השוואה למחקרים אחרים; Field: מחיקה משנה את מבנה הגורמים, ומחייבת לבדוק אותו מחדש; Raykov (2024): זה עלול להוריד מהימנות ותוקף. מוחקים רק עם הצדקה תוכנית, ומדווחים שמחקתם.

לדווח את α המתוקננת כי היא גבוהה יותר. היא המהימנות של סולם אחר – של פריטים מתוקננים שאיש לא מסכם (Raykov, 2024). מדווחים את α של הציון שמנתחים.

לקרוא α = .9 כהוכחה שהסולם מודד דבר אחד. Grayson (as cited in Field): אותה α מתקבלת ממבנים שונים לגמרי. חד-ממדיות נבדקת בניתוח גורמים.

לצטט את המהימנות מהמאמר המקורי במקום לחשב אותה. Field ו-Pallant: המהימנות היא של הסולם במדגם הזה. מדווחים את שתיהן – של המפתחים ושלכם.

לחשב ציון סכום ב-SPSS ולאבד נבדקים. item1 + item2 + … מחזיר חסר לכל מי שדילג על פריט אחד (Pallant, Chapter 8). MEAN.n עם סף מוצהר שומר אותם – ומדווחים על הסף.

מקורות

American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). https://doi.org/10.1037/0000165-000

Field, A. (2024). Discovering statistics using IBM SPSS statistics (6th ed.). SAGE.

Maydeu-Olivares, A., Coffman, D. L., & Hartmann, W. M. (2007). Asymptotically distribution-free (ADF) interval estimation of coefficient alpha. Psychological Methods, 12(2), 157-176. https://doi.org/10.1037/1082-989X.12.2.157

Pallant, J. (2020). SPSS survival manual: A step by step guide to data analysis using IBM SPSS (7th ed.). Routledge.

Raykov, T. (2024). Reliability. In A. L. Nichols & J. E. Edlund (Eds.), The Cambridge handbook of research methods and statistics for the social and behavioral sciences: Vol. 2. Performing research (pp. 189-210). Cambridge University Press. https://doi.org/10.1017/9781009000796.010

Cronbach (1951), Cortina (1993), Grayson (2004), Kline (1999), Nunnally (1978), Pedhazur ו-Schmelkin (1991) ו-Waller (2008) – כמצוטטים אצל Field (2024); DeVellis (2012), Briggs ו-Cheek (1986) ו-Pavot ואחרים (1991) – כמצוטטים אצל Pallant (2020); Feldt (1965), van Zyl, Neudecker ו-Nel (2000), Duhachek ו-Iacobucci (2004) ו-Satorra ו-Bentler (1994) – כמצוטטים אצל Maydeu-Olivares, Coffman ו-Hartmann (2007); Raykov ו-Marcoulides (2015) – כמצוטט אצל Raykov (2024). חבילות R שהורצו: psych (alpha) ו-alphaci 1.0.1 (Moss). לפי כלל האתר, ברשימת המקורות מופיעים רק מקורות שנקראו במקור.